the

》文献主要提出了多向时间卷积人工神经网络模型MTCAN用来预测PM2.5的污染物浓度MTCAN多向特性的主要思想是插入PM2.5污染物特征矩阵以估算其值实验表明所提模型的有效性。

另外学习了元胞自动机的相关知识。

文献阅读

数据插补和预测是环境数据工程的主要研究领域。

缺失数据是所有领域的常见问题尤其是对于环境数据分析。

大多数研究都试图使用不同的模型解决时间序列数据的问题。

本研究提出了一种基于深度学习的混合模型架构多向时间卷积人工神经网络MTCAN模型在单个训练过程中估算和预测PM2.5污染物浓度。

MTCAN多向特性的主要思想是插入PM2.5污染物特征矩阵以估算其值。

最终它保持要素测量值与气象和污染物变量内的时间相关性以插补PM2.5缺失值。

实验结果表明所提模型优于基线污染预测模型证明了其在空气质量建模中的有效性。

主要贡献

开发了有效的多方向插补技术利用不同时间戳下污染物和气象因素的不同参数之间的相关性并考虑每个参数的其他测量值之间的相关性。

最终它利用每个参数测量值之间的相关性及每个特征之间的相关性来估算PM2.5缺失值。

MTCAN模型并行集成了卷积神经网络CNN的快速特征提取能力和循环神经网络RNN的顺序时间建模特征提高了预测精度。

采用残差映射的扩张卷积方法考虑大量过去数据不会有从未来到过去的信息丢失。

通过使用微调层预测准确性进一步增强。

该层根据预测值和观测值相关性调整先前训练的预测模型的神经元权重。

数据插补技术

具有不一致缺失数据的空气质量建模是环境建模的主要问题之一。

一种方法是使用部分可用的其他参数值插补缺失值第二种方法是通过插补预测值恢复缺失的属性。

插值技术通常使用部分存在的参数值的平均值、中位数和众数来预测缺失值;当每个参数值都很重要时这些技术很重要。

这些技术尝试通过仅捕获数据流中的时间相关性来重建数据但忽略其他流的相关性。

相比之下插补技术捕获数据流的时间相关性但忽略数据流中测量值的时间相关性。

插补技术分为两种类型即简单的插补技术例如均值、中位数和模数插补技术。

第二种插补技术是多重插补技术如最大似然、期望最大化

方法框架

本文提出的多向时序卷积神经网络MTCAN模型的多向属性同时包括插值块和插补块它在前向和后向都进行了操作。

MTCAN模型考虑气象因子与PM10污染物之间的相关性以提高PM2.5的数据质量和长期预测性能。

MTCAN模型包括用于时间序列预测的TCN模型和用于微调预测结果的ANN模型。

CNN的扩展版本时间卷积网络TCN与RNN相比CNN通常仅用于特征提取目的而不是用于顺序建模因为缺乏处理长序列的存储块。

然而作为CNN的一种变体TCN在训练效率方面优于RNN结构。

该模型的主要组成部分是一维卷积、因果卷积、扩张卷积和残差块。

TCN的卷积可以捕获局部信息因此在时间建模方面效果更好。

扩张因果卷积的感受野使我们能够捕获更多的输入特征。

它可以并行执行特征学习和预测以提高预测性能。

与RNN不同它可以接受任何长度的输入并将其映射到输出序列的相同长度。

TCN使用全连接神经网络FCNN来实现这一目标。

TCN具有卷积本质上是因果关系因此它可以确保没有信息从未来泄漏到过去。

它生成顺序预测结果。

因果卷积基本设计的主要缺点是它需要深度网络或较大的过滤器大小才能获得较长的有效历史大小这不支持基本结构。

较大的过滤器尺寸会导致非收敛问题而较大的更深的网络会导致训练问题最终降低模型预测性能。

为了解决这些限制在TCN结构中采用了扩张因果卷积其中膨胀因子随着网络深度的增加而增加。

它具有扩展感受野的能力。

因此TCN通过使用更大的感受野和不使用更大的滤波器尺寸来实现更好的计算效率。

扩张因果卷积

m千其对应层的滤波器数d为膨胀因子k表示滤波器尺寸e−d。

m是过去的方向。

当

时膨胀的因果卷积成为标准的因果卷积。

较大的膨胀系数允许输出端的神经元表示广泛的输入历史数据并且还提供了扩展更大感受野的灵活性。

残差映射

在所提出的架构中TCN在残差块内具有两层膨胀的因果卷积和非线性。

泄漏ReLU用作非线性激活函数。

对卷积滤波器采用权重归一化过程进行归一化。

此外残差块还具有最大池化层和辍学层。

采用最大池化操作来减小数据大小和计算复杂度。

在每次扩张因果卷积后添加损失为

0.1

实验数据集描述使用两个真实的空气质量数据集进行实验以评估所提出的模型性能。

北京从UCI机器学习存储库收集的多站点空气质量数据集用作基线数据集另一个数据集从印度中央污染控制委员会收集也用于模型评估。

0.1

为所有模型的优化器。

它考虑以前的权重更新以更新下一个权重而不是仅考虑当前的梯度值。

MAE作为所有模型的默认损失函数因为它可以更好地反映预测误差的实际情况。

此外在训练所有模型之前利用

-score归一化过程对数据集进行归一化并删除异常值。

均方根误差RMSE和平均绝对误差MAE用作模型评估指标。

本文提出了一种新的深度学习架构该架构利用数据插补方法来插补气象和污染物值而不会失去它们的相关性。

该模型可以利用气象因子与PM10污染物的时间相关性来估算PM2.5缺失值。

同时我们通过TCN模型的膨胀卷积特征考虑了大量历史数据集以进行长期时间预测。

结果表明所提模型同时解决了所有讨论的问题并最大限度地减少了空气质量建模的预测误差。

元胞自动机

automataCA是一种时间、空间、状态都离散空间相互作用和时间因果关系为局部的网格动力学模型具有模拟复杂系统时空演化过程的能力。

构成及规则

元胞又称细胞、单元或者基元是元胞自动机最基本的组成部分元胞自动机变化的载体。

元胞邻居元胞自动机的演化规则是局部的对于指定元胞的状态进行更新时只需要知道其临近元胞的状态元胞的状态受自身状态和周围邻居的影响。

冯.诺伊曼邻居4邻居型

元胞规则根据元胞当前状态及其邻居状态确定下一时刻该元胞状态。

演化规则是元胞自动机的灵魂所在。

元胞边界元胞自动机对每个元胞施加同样的规则因此要设置边界条件使边界上的细胞与其他细胞具有相同的邻居数目。

边界类型

周期型边界周期型是指相对边界连接起来的元胞空间。

这种空间与无限空间最为接近进行理论探讨时常以此类空间作为实验进行模拟。

案例及代码实现

如果一个细胞周围有3个细胞为生一个细胞周围共有8个细胞则该细胞为生即该细胞若原先为死则转为生若原先为生则保持不变。

在其它情况下该细胞为死即该细胞若原先为生则转为死若原先为死则保持不变

代码实现

如果一个细胞周围有3个细胞为生一个细胞周围共有8个细胞则该细胞为生即该细胞若原先为死则转为生若原先为生则保持不变

在其它情况下该细胞为死即该细胞若原先为生则转为死若原先为死则保持不变

function

h1000;%h为生命游戏进行的轮数%生命的随机初始化设定(前两重循环)

for

x1:m%根据网格初始化后的结果来进行网格生命初始化设定for

y1:nif

(x,y)赋予生命fx[x-1,x-1,x,x];fy[y-1,y,y,y-1];fill(fx,fy,g)%填涂绿色表示获得生命hold

onelse

%一共进行h轮生命游戏fx[0,m,m,0];fy[0,0,n,n];fill(fx,fy,k),%新的一轮开始,将所有的格子全部涂黑,按上一轮得到的新的a来重新涂色,便于观察hold

onfor

y2:n-1%b(x,y)为点a(x,y)附近八个点的和b(x,y)a(x-1,y-1)a(x-1,y)a(x-1,y1)a(x,y-1)a(x,y1)a(x1,y-1)a(x1,y)a(x1,y1);if

b(x,y)2

%如果a(x,y)附近有两个点,a(x,y)保持不变c(x,y)a(x,y);elseif

b(x,y)3,%如果a(x,y)附近有三个点,a(x,y)获得生命c(x,y)1;else

%否则,a(x,y)失去生命c(x,y)0;endendend%a的第一列和最后一列保持不变,因为上面的循环是从x2:m-1

y2:n-1c(1:m,1)a(1:m,1);c(1:m,n)a(1:m,n);for

x1:m

%根据这一轮点的生命情况来确定它左下角这个格子的生命情况for

y1:nif

c(x,y)1fx[x-1,x-1,x,x];fy[y-1,y,y,y-1];fill(fx,fy,g)hold

onelseendendend